Buchumschlag

Quantum Chemical Density Matrix Renormalization Group Method Boosted by Machine Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Golub, Pavlo, Yang, Chao, Vlček, Vojtěch, Veis, Libor
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Chemical Physics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Polaritonic Chemistry using the Density Matrix Renormalization Group Method
von: Matoušek, Mikuláš, et al.
Veröffentlicht: (2024)

Density Matrix Renormalization Group Approach Based on the Coupled-Cluster Downfolded Hamiltonians
von: Bauman, Nicholas, et al.
Veröffentlicht: (2024)

Stochastic Cluster Expansion for Excited State Energies
von: Canestraight, Annabelle, et al.
Veröffentlicht: (2026)

Correcting basis set incompleteness in wave function correlation energy by dressing electronic Hamiltonian with an effective short-range interaction
von: Hapka, Michał, et al.
Veröffentlicht: (2025)

A Stochastic Cluster Expansion for Electronic Correlation in Large Systems
von: Canestraight, Annabelle, et al.
Veröffentlicht: (2026)

Impact of Subsurface Oxygen on CO2 Charging Energy Changes in Cu Surfaces
von: Lei, Xiaohe, et al.
Veröffentlicht: (2024)

Molecular Quantum Chemical Data Sets and Databases for Machine Learning Potentials
von: Ullah, Arif, et al.
Veröffentlicht: (2024)

The Software Landscape for the Density Matrix Renormalization Group
von: Sehlstedt, Per, et al.
Veröffentlicht: (2025)

DMRG/FQ: a Polarizable Embedding Approach Combining Density Matrix Renormalization Group and Fluctuating Charges
von: Rinaldi, Matteo, et al.
Veröffentlicht: (2026)

Why Projection-Based DMRG-in-DFT Cannot Be Exact, Even with the Exact Exchange-Correlation Functional
von: Monino, Enzo, et al.
Veröffentlicht: (2026)

Definitive Assessment of the Accuracy, Variationality, and Convergence of Relativistic Coupled Cluster and Density Matrix Renormalization Group in 100-Orbital Space
von: Upadhyay, Shiv, et al.
Veröffentlicht: (2026)

Predicting The One-Particle Density Matrix With Machine Learning
von: Hazra, S., et al.
Veröffentlicht: (2024)

Hilbert space multireference coupled clusters tailored by matrix product states
von: Demel, Ondrej, et al.
Veröffentlicht: (2023)

QCMaquis 4.0: Multi-Purpose Electronic, Vibrational, and Vibronic Structure and Dynamics Calculations with the Density Matrix Renormalization Group
von: Szenes, Kalman, et al.
Veröffentlicht: (2025)

Integrated Software/Hardware Execution Models for High-Accuracy Methods in Chemistry
von: Bauman, Nicholas, et al.
Veröffentlicht: (2025)

Projection-based DMRG-in-DFT embedding corrected by non-additive exchange-correlation
von: Monino, Enzo, et al.
Veröffentlicht: (2025)

Linear Scaling Calculation of Atomic Forces and Energies with Machine Learning Local Density Matrix
von: Xin, Zaizhou, et al.
Veröffentlicht: (2025)

Vector-Based Approach to the Stoichiometric Analysis of Multicomponent Chemical Reactions: The Case of Black Powder
von: Kozub, Pavlo, et al.
Veröffentlicht: (2025)

Fault-tolerant Quantum Chemical Calculations with Improved Machine-Learning Models
von: Yuan, Kai, et al.
Veröffentlicht: (2024)

Parallel implementation of the Density Matrix Renormalization Group method achieving a quarter petaFLOPS performance on a single DGX-H100 GPU node
von: Menczer, Andor, et al.
Veröffentlicht: (2024)

Accelerated Surface Hopping via Scaling the Spin--Orbit Coupling: Opportunities for Machine Learning
von: Martinka, Jakub, et al.
Veröffentlicht: (2026)

Modified UNIFAC 2.0 -- A Group-Contribution Method Completed with Machine Learning
von: Hayer, Nicolas, et al.
Veröffentlicht: (2024)

One-Step Relativistic Driven Similarity Renormalization Group Multireference Perturbation Theory
von: Zhao, Zijun, et al.
Veröffentlicht: (2026)

Series Expansion of a Scalable Hermitian Excitonic Renormalization Method
von: Bauer, Marco, et al.
Veröffentlicht: (2024)

Flexible Framework for Surface Hopping: From Hybrid Schemes for Machine Learning to Benchmarkable Nonadiabatic Dynamics
von: Martinka, Jakub, et al.
Veröffentlicht: (2025)

Physics-Informed Neural Networks and Beyond: Enforcing Physical Constraints in Quantum Dissipative Dynamics
von: Ullah, Arif, et al.
Veröffentlicht: (2024)

Unitary Dynamics for Open Quantum Systems with Density-Matrix Purification
von: Delgado-Granados, Luis H., et al.
Veröffentlicht: (2024)

Effects of One-particle Reduced Density Matrix Optimization in Variational Quantum Eigensolvers
von: de Lima, Amanda Marques, et al.
Veröffentlicht: (2025)

Atom-Density Representations for Machine Learning
von: Willatt, Michael J., et al.
Veröffentlicht: (2018)

The Quantum Method of Planes -- Local Pressure Definitions for Machine Learning Potentials
von: Smith, E. R.
Veröffentlicht: (2025)

Quantum Simulation of Ligand-like Molecules through Sample-based Quantum Diagonalization in Density Matrix Embedding Framework
von: Patra, Ashish Kumar, et al.
Veröffentlicht: (2025)

Understanding the Density Maximum of Water with Machine Learned Potentials
von: Song, Yizhi, et al.
Veröffentlicht: (2026)

A Transferable Machine-Learning Model of the Electron Density
von: Grisafi, Andrea, et al.
Veröffentlicht: (2018)

Advancing Thermodynamic Group-Contribution Methods by Machine Learning: UNIFAC 2.0
von: Hayer, Nicolas, et al.
Veröffentlicht: (2024)

Scalable Ab Initio Electronic Structure Methods with Near Chemical Accuracy for Main Group Chemistry
von: Wei, Yujing, et al.
Veröffentlicht: (2024)

Density Matrix Embedding Theory-Based Multi-Configurational Quantum Chemistry Approach to Lanthanide Single-Ion Magnets
von: Ai, Yuhang, et al.
Veröffentlicht: (2025)

Fast and Accurate Uncertainty Estimation in Chemical Machine Learning
von: Musil, Felix, et al.
Veröffentlicht: (2018)

Assessing Non-Nested Configurations of Multifidelity Machine Learning for Quantum-Chemical Properties
von: Vinod, Vivin, et al.
Veröffentlicht: (2024)

Efficient Machine Learning Approach for Yield Prediction in Chemical Reactions
von: Ghosh, Supratim, et al.
Veröffentlicht: (2025)

Shortcut to Chemically Accurate Quantum Computing via Density-based Basis-set Correction
von: Traore, Diata, et al.
Veröffentlicht: (2024)